Valamikor 2002 körül elkezdtünk egy web-alapú e-learning rendszert fejleszteni – magunknak. A rendszer az auditokra való sikeres felkészülést volt hivatott támogatni. Ebben a rendszerben terveztük megvalósítani a szabványügyi eljárásaink oktatását és az oktatási folyamatok dokumentálását.
Olvass tovább
A rendszer annak rendje-módja szerint elkészítettük és bevezettük. Azt hittük, hogy itt véget ért a történet, de valójában csak ekkor kezdődött.
Ekkoriban együtt dolgoztunk egy nem túl nagy, de annál dinamikusabban növekvő magyar céggel, akik rövid idő alatt fejlődtek 70 munkavállalóról előbb 140-re, majd 350-re (!)
Valahogy szóba jött a mi belső oktatási platformunk, amit hamarosan be is vezettek. A következő években a rendszert saját képükre formálták, 2-3 év után pedig már nélkülözhetetlenné vált számukra.
A 2010-es évek közepén a magyar céget felvásárolta egy USA-beli szakmai befektető. A mi rendszerünk ezt túlélte a magyar alakulatnál, de az amerikai cég már rendelkezett e-learning beszállítóval, a továbblépés még ötlet szintjén sem merült fel.
Az anyacég azonban lépésről-lépésre mégis hírét vette a mi „boutique” megoldásunknak és elkezdett egyre nagyobb érdeklődést mutatni iránta.
Három további évvel később hozzáláttak a rendszerünk validálásához, ami fél évet vett igénybe, eredményezett egy 98 oldalas validációs jegyzőkönyvet – egyetlen szerverkonfiguránciós észrevétellel.
Ezt követően a rendszer bevezetésre került az egész szervezetben.
Minden alkalmazott reggeli munkába állása előtt – minen nap – lefut az a validáció, hogy az adott munkavállaló az adott napon valamennyi általa végzendő tevékenysége vonatkozásában megfelelő és érvényes traininggel / certificate-tel rendelkezik. Ez alapján már nem is meglepő, hogy az elvárt rendelkezésre állás 99,99%.
A rendszert nem csak tervezőként és fejlesztőként, hanem üzemeltetőként is jegyezzük. Így aztán joggal tekintjünk magunkra olyan cégként, ami képes worl-wide szolgáltatóként is helytállni.
A költségcsökkentő befektetés
A gyártási folyamatok optimalizálásában rengeteg megtakarítási lehetőség rejlik. Tervezni így is úgy is kell (tekintettel pl. a rendelkezésre álló raktárkészletre), miért ne lenne a tervezés akkor minden felhasznált erőforrás tekintetében optimalizált.
Olvass tovább
A komplex gyártósorokkal rendelkező cégek esetén ez a probléma legalább részben megoldott: sokszor már a szállító ellátja a rendszereit optimalizáló megoldásokkal.
Kisebb cégek és egyszerűbb munkafolyamatok esetén azonban – pl. szenzorok hiányában lehetetlen az automatizált adatgyűjtés – a nagyipari automatizálás nem opció, mindenképpen kézműves megoldásra van szükség.
Ebben a folyamatban nyújt segítséget az általános operációkutatásra alapozott megoldásunk. Ezt legegyszerűbben a következő példával tudjuk bemutatni.
Képzeljen el egy reklámtábla készítő műhelyt 10-15 szerelővel. A műhelyben reklámtáblákat készítenek, azaz fémkeretet állítanak elő, műanyag felületeket alakítanak ki, festenek, dekorálnak, ragasztanak, illetve áramot szerelnek. Relatíve kis számú – 50-100 – munkafolyamatot végeznek néhány egyszerűbb eszköz alkalmazása mellett.
A napi gyártás során elsődleges cél a szállítási határidők betartása, másodlagos cél pedig a minél költséghatékonyabb működés. Az aktuális – humán – folyamatszervezés mellett az elsődleges cél a megbízások 95-98%-ban teljesül, ezért a cég megítélése jó, képes profitot termelni. A költséghatékonysági mutatók kapcsán azonban csak durva – leginkább havi szintű – becslések állnak rendelkezésre. Ugyancsak hiányzik a projekt szinű utókalkuláció, tehát az esetleges alulárazott folyamatok beazonosítására sincs lehetőség.
A Planimeter képes olyan web-alapú alkalmazását létrehozni, amely automatikusan ütemezi a feladatokat és ez az – optimalizált – ütemezés minden újabb munkafolyamat indítása előtt lefut. A rendszer képes érzékelni a nap közbeni változásokat – pl. erőforrás változása egy gép meghíbásodása miatt – és képes a valós idejű újratervezésre.
Egy ilyen rendszer bevezetése tehát nemcsak az elsődleges célokat, hanem a másodlagos, illetve utókalkulációra vonatkozó elvárásokat is teljesíti.
Mint minden – informatikai – fejlesztés, ez is pénzbe kerül. Viszont ha pl. egy 10 MFT-os bértömeg ekvivalens kapacitás hatékonysága csak 10%-kal növekszik, akkor pl. egy 8-10 MFT-os fejlesztés nagyon gyorsan, 8-10 hónap alatt megtérül, a 11. hónaptól pedig nyereséget termel. Ennek megfelelően egy kellőképpen innovatív vezető egy ilyen beruházásra inkább befektetésként, mint beruházásként tekint.
A fenti megközelítést eddig termelést végző cégeknél, illetve call-center hívás automatizálás során alkalmaztuk sikeresen.
Mi lesz a folyószámla egyenlegünk november 10-én?
A naponta nagyszámú, atomi pénzügyi tranzakciót (vásárlást) bonyolító üzletek vagy üzlethálózatok esetén nehézségekbe ütközik a cashflow helyzet előrejelzése.
A vásárlási folyamatok volumene önmagában is nagy variabilitást mutat (heti, havi ingadozás), amit kiegészít a tényleges – időjárásból következő – szezonális hatás, illetve megfejel a hosszú hétvégékhez, ünnepnapokhoz kapcsolódó vásárlási roham. Ezen hatások közben kellene pontos becslést adni a kártyás, vásárlási utalványos, illetve készpénzes fizetés összetételére és lehetőség szerint, előrejelzésére.
Olvass tovább
A fent leírt körülmények az infláció mértékétől független modellezési problémát jelentenek. A bevétel nominális nagyságának előrejelzését tovább nehezíti a két számjegyű, de valójában már az 5%-ot meghaladó infláció is.
A cash-flow forecast azonban statisztikai módszerekkel kezelhető és megoldható kihívás.
A mintázat elemzés, illetve a rendelkezésre álló historikus tranzakciós adatokra fejleszthető tanuló algoritmusok segítségével elvégezhető a vásárlások osztályozása, és ezáltal származtathatók az egyes vásárlási kategóriák statisztikai mutatói.
A vásárlási adatok idősoros – statisztikai – megközelítése lehetővé teszi a szezonális és trend hatások kiszűrését, az atipikus forgalmi adatok korrigálását. Mindent egybevéve, a modellezés eredményeképpen minden jövőbeni időponthoz hozzárendelhető egy bevételi cash-flow becslés. A statisztikai becsléselmélet fontos következménye, hogy minden becsléshez megadható a becslés hibája is. Az ún pontbecslés (pl. 10 MFT) pontos teljesülésének valójában kicsi az esélye, de a becsléshez tartozó intervallumbecslés (pl. 9,5 MFT – 10,5 MFT) már valóban informatív előrejelzés: ha a modellezésünk jól működik, akkor 95%-os biztonsággal számíthatunk arra, hogy a készpénz bevételünk a megadott tartományban lesz.
Az időjárás előrejelzés módszertanilag más képletek alkalmazását követeli meg, de az elméleti alapok azonosak. Ahogy az emberiség évtizedek alatt megtanulta és megszokta, hogy bátran támaszkodjon akár a hosszabbtávú előrejelzésekre is, eljött az ideje annak, hogy az üzleti szereplők is mind több – megbízható – előrejelzésre támaszkodva hozzák meg döntéseiket. És akkor arra a kérdésre is választ kaphatnak, hogy mi lesz a folyószámla egyenlegük egy adott jövőben napon, pl. november 10-én.
A fent leírt modellezést eddig pénzintézetek számára, illetve aktuálisan egy munkaerő-közvetítéssel foglalkozó cég számára végeztünk, illetve végzünk.
Már megint hibás a riport!
Az operatív rendszerek nyilván naprakész (illetve valós idejű) információkkal tudnak szolgálni a folyamatainkkal kapcsolatban. Időről-időre szükség van azonban pillanatfelvételekre – pl. könyvelés adatigények kielégítése. Egy-egy ilyen pillanatfelvételt nevezhetünk riportnak is. Attól függetlenül, hogy a nagyobb rendszereink adatkapcsolatai automatikusan kielégítik a standard riportálási igényeket, folyamatosan merülnek fel – pl. kormányzati intézkedések következtében – olyan feladatok, amelyek szintén reguláris riportálást igényelnek, de amelyeknek az informatikai támogatása nem megoldott.
Olvass tovább
Ezen a ponton tud támogatást nyújtani a – nem mesterséges intelligencia alapú – automatizált riport generálás.
Az automatizált dokumentum (riport) generálás lényege, hogy programozási eszközökkel létrehozunk egy olyan programot, amely képes a bemenő adatok (vagy adatbázisok) beolvasására, számítások elvégzésére, táblázatok vagy grafikonok készítésére. A végeredmény Word / PDF / HTML vagy RTF formátumok bármelyikében előállítható.
A riportban a származtatott eredmények (pl. egy táblázat) futás közben kerülnek előállításra, tehát az input adat változását követően a riport 1-2 perc alatt újra generálható.
Az eljárás gyorsaságán túl a minőségével tűnik ki: mivel nincsenek manuálisan bevitt adatok, a gépelési hiba teljességgel kizárt (eltekintve persze attól a hibalehetőségtől, hogy a hiba már az input adatokban jelen volt).
A feldolgozás során feltételes állításokat is megfogalmazhatunk. Ha pl. a „nőtt” igealakot szeretnénk használni pozitív és a „csökkent” alakot negatív változás esetén, ez a választási lehetőség a programba integrálható és minden emberi beavatkozás nélkül a helyzethez alkalmazkodó igealak kerül a riportba. Hasonló állítások tehetők formázási igényekkel kapcsolatban: pl. lehet piros egy negatív érték (akár táblázatban vagy grafikonon is) és zöld a pozitív érték.
További előny a reprodukálhatóság. Ha egy riportról később kiderülne, hogy hibás volt, a bemenő adatok rekonstruálása alapján eldönthető, hogy a forrásadatokból származik a hiba, vagy esetleg a generáló programon kell változtatni. Ez utóbbi esetben – általában 1-2 órás munkával – javítható a hiba és pillanatok alatt újra generálható az összes hibásnak gondolt riport.
A generált riportok – különösen HTML-output esetén – új lehetőséget nyítnak a dashboard fejlesztésben, hiszen egy vezetői információs rendszer végeredményben egy riportáló felület, amit a fenti felfogás szerint egy data science projekt keretében, kevésbé programozás intenzív – és ezáltal költséghatékonyabb – projekt keretében is előállíthatunk.
Ilyen megközelítést több – nemzetközi – projektünkben is nagy sikerrel alkalmazunk évek óta. A megoldásaink alapját minden esetben egy külső vagy akár belső, rendszeresen (általában havonta) frissülő adatbázis képezi. A változatlan riportváz mellett könnyedén illeszthető be egy-egy újabb elem – a mindenkori piaci igények szerint.